Examine l'estimation non paramétrique à l'aide de l'approche de vraisemblance empirique et discute du calcul des probabilités et de l'estimation empirique.
Couvre les bases de la régression linéaire, y compris l'OLS, l'hétéroskédasticité, l'autocorrélation, les variables instrumentales, l'estimation maximale de la probabilité, l'analyse des séries chronologiques et les conseils pratiques.
Introduit des variables instrumentales pour résoudre les problèmes d'endogenèse, en utilisant des exemples pour illustrer les applications pratiques et les exigences d'essai.
Explore la cohérence et les propriétés asymptotiques de l’estimateur de vraisemblance maximale, y compris les défis à relever pour prouver sa cohérence et construire des estimateurs de type MLE.
Explore la méthode des moments, le compromis biais-variance, la cohérence, le principe de plug-in et le principe de vraisemblance dans lestimation de point.
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Introduit la méthode généralisée des moments (GMM) en économétrie, en se concentrant sur son application dans les modèles destimation des variables instrumentales et de tarification des actifs.
Explore l'application de l'algèbre linéaire dans la science des données, couvrant la réduction de la variance, la théorie de la distribution des modèles et les estimations du maximum de vraisemblance.
Explique les estimateurs statistiques pour les variables aléatoires et les distributions gaussiennes, en se concentrant sur les fonctions d'erreur pour l'intégration.
